Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 656
Aluno: André Luiz Buarque Vieira e Silva
Orientadora: Profa. Veronica Teichrieb
Coorientador: Prof. Francisco Paulo Magalhães Simões
Título: Image-based Industrial Inspection in the Wild: A Perspective from the Power Transmission Industry
Data: 19/12/2024
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
- Prof. Silvio de Barros Melo
- Prof. Tsang Ing Ren
- Prof. Filipe Rolim Cordeiro (UFRPE / Departamento de Computação)
- Prof. Danny Kowerko (Technische Universität Chemnitz)
- Prof. Luiz José Schirmer Silva (Usisinos/ Pós-Graduação em Computação Aplicada)
RESUMO:
A inspeção visual automatizada para identificação de defeitos em linhas de energia é essencial para garantir a confiabilidade e segurança da infraestrutura elétrica. Esta tese contribui para o campo ao propor novos datasets e métodos de detecção de anomalias direcionados para a inspeção de defeitos em ambientes não-controlados, “in-the-wild”. Os datasets são o STN PLAD, InsPLAD-det, InsPLAD-fault e InsPLAD-seg, cada um desenvolvido para atender diferentes tarefas de Visão Computacional e variados aspectos da inspeção e detecção de defeitos em linhas de energia com base em imagens.
Essa pesquisa se inicia com a criação do dataset InsPLAD, que inclui mais de dez mil imagens de inspeção do mundo real de ativos de linhas de energia, capturadas por VANTs. Este dataset foi minuciosamente anotado para diversas tarefas: detecção de objetos (InsPLAD-det), classificação de falhas (InsPLAD-fault) e detecção e localização de anomalias (InsPLAD-fault & InsPLAD-seg). Estes datasets oferecem desafios variados de Visão Computacional em ambientes não-controlados, como objetos de múltiplas escalas, instâncias de classes de tamanhos variados, múltiplos objetos por imagem, variação intraclasse, fundos complexos, diferentes pontos de vista, distorção de perspectiva, oclusão e condições de iluminação diversas. O STN PLAD, um conjunto de dados menor, também é introduzido para proporcionar um desafio de detecção de objetos de múltiplos tamanhos em linhas de energia usando imagens de alta resolução.
Experimentos extensivos foram realizados utilizando métodos de detecção de objetos de última geração para avaliar seus desempenhos no InsPLAD-det, incluindo Faster R-CNN, SSD, YOLOv3, RetinaNet, Cascade R-CNN, TOOD e DetectoRS. Os resultados demonstram o desempenho superior do DetectoRS em termos das métricas Box AP e AP$^{75}$. Adicionalmente, o método MS-PAD é proposto, melhorando significativamente o desempenho de detecção para objetos menores, como os amortecedores Stockbridge no conjunto de dados STN PLAD.
Métodos populares de classificação de imagens, como EfficientNet, ResNet, ResNeXt, MLP-Mixer e Swin Transformer, foram avaliados para a classificação de falhas no InsPLAD-fault. O EfficientNet obteve a melhor acurácia balanceada geral, demonstrando seu potencial para cenários de inspeção em tempo real. Métodos de detecção de anomalias não-supervisionados, incluindo Autoencoder $L_2$, OGNet, DifferNet, CS-Flow, CFLOW-AD e PatchCore, também foram testados. DifferNet e CS-Flow apresentaram resultados promissores para a detecção de anomalias em componentes de linhas de energia.
Outra contribuição importante desta tese é um método para integrar blocos de atenção em canais e espacial em vários métodos de detecção de anomalias, incluindo DifferNet, EfficientAD, FastFlow, RD++ e SimpleNet. Os modelos aprimorados com atenção propostos, com módulos como SENet e CBAM, consistentemente superaram suas versões padrão e outros métodos base em diversos dataset, incluindo InsPLAD-fault, InsPLAD-seg, MVTec AD e o dataset de Wafers Semicondutores. A análise qualitativa usando Grad-CAM ratifica a eficácia dos módulos de atenção na melhoria da localização de defeitos em ambientes não-controlados.
Em resumo, esta pesquisa avança o campo da inspeção visual automatizada em múltiplos cenários, especialmente na manutenção de linhas de energia em ambientes não-controlados, ao propor datasets valiosos e modelos de detecção de anomalias. Ela também abre caminho para futuros desenvolvimentos em tecnologias de inspeção de defeitos “in-the-wild”.
Palavras-chave: Visão Computacional. Inspeção Visual Automatizada. Manutenção de Linhas de Energia. Inspeção Industrial. Detecção de Anomalias. Módulos de Atenção. Inspeção com VANTs.
Comentários desativados